匹配正文：…ms延迟上下文冲突：多文档信息矛盾时模型难以仲裁更新滞后：非结构化知识库维护成本高场景化设计考量场景设计重点优化方向医疗问答精确性优先多路召回（关键词+向量+知识图谱）、严格重排序阈值、答案置信度校准客服系统延迟敏感本地缓存高频Query、预计算热门问题向量、流式生成研报生成长上下文处理文档分块策略（按语义/按标题层级）、递归摘要、多跳检索关键优化方向：检索-生成联合训练（如REPLUG）、自适应检索（判断是否需要检索）、多模态RAG（表格/图…

#美团#事实锚定#RAG 缓解幻觉的机制

面试题·评估· 科大讯飞

RAG 解决了 LLM 哪些局限?

匹配正文：…知识库，零模型改动可解释性差黑盒输出，难以溯源引用来源透明，可追溯验证为什么知识密集型任务需要RAG 准确性要求高：法律、医疗、金融等领域容错极低，必须基于权威文档知识时效性强：政策、产品信息频繁变动，静态模型无法跟上合规与审计：需要明确回答依据，RAG的引用机制满足这一需求简单说，RAG把LLM从"闭卷考试"变成"开卷考试"——模型专注推理表达，事实准确性交给外部知识库保障。学习建议掌握RAG需理解大模型局限性，学习检索与生成的协同机制，结合实践案例加深理…

#科大讯飞#阿里#RAG 架构

面试题·评估· 字节

RAG 自动与人工评估

匹配正文：…评估维度维度说明适用场景相关性检索片段是否回答用户问题检索质量调优忠实性生成内容是否 hallucination 医疗、法律等高风险场景有用性是否满足用户真实意图对话类产品连贯性多轮场景下的上下文一致性复杂多轮问答选型建议迭代开发期：RAGAS + 少量人工抽检，快速迭代上线前：完整人工评估，建立bad case库线上监控：埋点收集用户反馈（点赞/点踩），形成闭环学习建议建议系统学习该知识点

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#字节#评估与监控#RAG 自动与人工评估

面试题·评估· 阿里

Agent 工具调用用 Workflow 吗？

匹配正文：…+ LLM动态规划"的混合架构。采用Workflow的适用场景维度特点可控性节点、分支、异常处理完全可控，适合金融审批、医疗诊断等强合规场景可观测性执行路径透明，便于审计和调试成本稳定 Token消耗可预测，无LLM"胡思乱想"风险典型场景：固定SOP的售后工单处理、多轮表单填写、需要人工审批节点的流程。不采用Workflow（动态Agent）的优势灵活应对边界情况：用户意图漂移时，LLM可自主调整工具组合降低维护成本：业务规则变化无需改代码，调整Pr…

#阿里云#评估与监控#Agent

面试题·评估· 淘天

LangGraph 适用边界与替代

匹配正文：…丢失 4. 严格可控的生产级Agent 相比AutoGen的"群聊"黑盒，LangGraph的图结构执行路径完全可预测，适合金融、医疗等合规场景核心优势总结：状态机显式建模 + 持久化容错 + 人机协作断点，弥补LangChain原生Agent在复杂流程上的不足。

#淘天#评估与监控#LangGraph 适用边界与替代

面试题·评估· 字节

大模型 Agent 优缺点怎么分析?

匹配正文：…☆ 代码解释器+可视化工具链成熟复杂任务自动化（如旅行规划） ⭐⭐⭐☆☆ 需要多轮决策，但幻觉风险较高高 stakes 决策（医疗/金融） ⭐⭐☆☆☆ 容错极低，需人机协同兜底核心局限性模型层面幻觉传导：规划错误会级联放大，传统RAG难以解决推理链幻觉上下文瓶颈：复杂任务超出窗口，关键信息丢失系统层面延迟与成本：多轮工具调用导致TTFT和总耗时不可控安全边界：工具权限管控、沙箱隔离、提示词注入攻击体验层面不可解释性：用户难以理解Agent"为什么这么做"…

#字节#Agent#大模型 Agent 优缺点

面试题·模型微调· 美团

RAG vs SFT 场景怎么选?

匹配正文：…每天更新，SFT追不上 2. 长尾专业领域法律条文检索、企业内部文档问答——训练数据稀缺，但文档库完整 3. 高可信要求的问答医疗诊断辅助、投资分析报告——必须给出参考依据，不能"脑补" 4. 多租户隔离场景 SaaS服务不同企业客户——各客户数据隔离在各自知识库，同一模型服务多方一句话总结 RAG用"查资料"替代"背知识"，在知识动态、来源重要、成本敏感的场景下，是比SFT更灵活的工程选择。两者并非互斥，实践中常先RAG打底，再SFT优化生成风格。学习建议掌握RA…

#美团#模型微调#RAG vs SFT

面试题·模型微调· 美团

RAG 为何比 SFT 更优?

匹配正文：…检索提供中间证据（如多跳推理的桥梁文档），降低推理难度 RAG更优的具体场景实时信息查询：天气、股价、赛事结果专业/垂直领域：医疗指南、法律条文、企业内部知识（数据隐私+快速迭代）长尾事实问答：冷门实体、最新产品规格需可溯源的场景：客服回复、金融咨询（必须给出参考来源）关键认知 RAG不是SFT的替代，而是互补：SFT负责语言能力和基础推理，RAG负责动态知识注入。复杂推理任务仍需SFT强化，纯RAG对检索质量极度敏感，需配套重排序、查询改写等优化。学习建议掌握…

#美团#RAG vs SFT#RAG

面试题·模型微调· 字节

RAG Embedding 模型怎么选?

匹配正文：…ensorRT加速部署成本：云端API vs 私有化部署的硬件约束 4. 领域适配通用领域：直接用开源SOTA模型垂直领域（医疗、法律）：检查领域术语的编码质量，必要时用领域数据微调 5. 工程兼容性输出维度：常见768/1024维，需与向量数据库匹配归一化：是否输出单位向量，影响相似度计算方式（cosine vs dot）快速验证方法用业务真实Query-Document对，计算Top-K召回率和MRR，比榜单指标更可靠。

#字节#向量检索#RAG Embedding 选型

面试题·模型微调· 字节

领域RAG应用链路怎么搭?

匹配正文：…工程化文档解析与结构化非结构化：PDF/Word用Unstructured/MinerU解析，保留标题层级、表格结构多模态：医疗影像报告需OCR+结构化提取，金融财报表格转Markdown 领域标准化：建立术语词典（如ICD-10编码、法律法条编号），统一同义词分块策略按语义边界切分（章节/段落），chunk size 由资料结构、模型输入限制与评测结果决定是否启用重叠窗口及其长度都作为候选，用同一评测集验证边界证据与冗余成本关键元数据注入：文档来源、发布时间、…

#字节#领域 RAG#RAG应用搭建

面试题·模型微调· 百度

Embedding 模型选型考虑哪些因素?

匹配正文：…支持好 OpenAI/text-embedding-3：API场景，维度可压缩，省心但成本高 4. 领域适配通用模型在垂直领域（医疗、法律）往往不够准方案：领域语料继续预训练 + 对比学习微调（In-batch negatives + InfoNCE） 5. 效果评估别只看MTEB榜单，要构建业务测试集核心指标：Recall@K（检索场景）、MRR（排序场景）

#百度#向量检索#Embedding 模型选型

面试题·模型微调

LLM 封闭标签如何强约束?

匹配正文：…另做校准评估。 4. 微调/SFT（能力强化）构造指令-标签数据对，训练模型指令遵循能力配合LoRA高效微调，适合领域标签（如医疗诊断分类）注意：单独SFT无法100%保证封闭性，需配合解码约束 5. 后处理校验（兜底）完整解析并校验标签成员资格；非法、拒绝或不确定结果进入明确的待复核/失败状态或有界重试，不能静默伪装成一个有效业务类别。多标签场景用投票或一致性检查选型建议场景推荐方案快速验证 Few-shot + 后处理生产部署 Function Cal…

#Agent#LLM 输出限定#封闭标签集

面试题·RAG

大模型幻觉是什么？怎么缓解？

匹配正文：…”，给它说“不知道”的出口降低随机性事实型任务调低 temperature（控制输出随机程度的参数），减少自由发挥人工兜底医疗、法律、金融等高风险场景保留人工审核，不让模型单独拍板需要强调：这些手段都是缓解而非根除，幻觉根植于生成机制本身，工程上追求的是把幻觉率压到业务可接受的范围，并让错误可追溯。入门之后，可以往幻觉评测（如何量化幻觉率）和 RAG 链路优化两个方向继续深入。

#入门#基础概念#大模型幻觉

面试题·知识图谱· 字节

GraphRAG 原理与传统 RAG 如何选择？

匹配正文：…事实仍可回溯高频更新或严格撤回先保证权威文本索引的新鲜度与 ACL 能证明实体、关系、社区和摘要的更新/删除传播满足 SLO 医疗、风控等高风险场景不能把图路径直接用于诊断或决策。答案应回到底层证据，并由领域规则、权限和人工流程控制。评测与成本在同一查询集比较关键词、向量/混合、GraphRAG 及组合方案。分开看证据 Recall@K、实体链接与关系精度、答案正确性和事实支持、全局问题覆盖、更新延迟、P95 查询延迟、索引/模型成本及越权率。GraphRAG 的价值…

#字节#GraphRAG 原理#GraphRAG vs RAG

面试题·知识图谱· 字节

GraphRAG 如何支持复杂关系查询？

匹配正文：…逐项引用证据。数值聚合、日期比较、集合交并和权限判断由确定性执行器完成，并校验返回行数与截断。图上相关关系不能自动升级为因果关系；医疗、风控等高风险结果只能作为检索线索，后续由领域系统或人员判定。 4. 回归测试同名实体、关系方向相反、边已过期、路径存在但无原文支持、多个等长路径、空结果、结果爆炸、权限不同和更新后旧缓存。指标包括实体链接 top-k、证据 Recall@K、路径精确率、计算正确率、答案支持度、延迟与越权率。回退阈值来自这些结果，不用通用“低于 80% 就纯…

#字节#知识图谱#GraphRAG 实现

面试题·知识图谱· 百度

GraphRAG vs 传统 RAG 优势在哪?

匹配正文：…为什么选这个答案" 支持聚合类查询："总结A领域三大趋势及其相互影响" 图结构本身作为CoT提示，引导模型逐步推理典型价值场景医疗诊断：症状→疾病→药物→禁忌的多跳约束法律分析：法条→案例→判决→适用条件的链条推理企业知识：组织架构、项目关联、决策影响的网络分析关键权衡：图构建的前期成本 vs 查询时的推理质量。实际落地常采用"轻量抽取+动态扩展"的混合架构。学习建议建议先掌握传统RAG原理，再学习图结构与知识图谱基础，结合论文与开源项目理解GraphRAG如何…

#百度#知识图谱#GraphRAG 优势

面试题·知识图谱· 美团

GraphRAG 架构原理与优势

匹配正文：…化社区（Leiden算法多级分辨率）、查询自适应选择工程实践建议：非全量上GraphRAG，而是对高频复杂查询领域（如金融风控、医疗诊断）做专项图谱构建，简单查询仍走向量检索。学习建议建议先掌握传统RAG原理，再学习图结构与知识图谱基础，结合论文与开源项目理解GraphRAG的实现逻辑与应用场景。

#美团#知识图谱#GraphRAG 架构

面试题·知识图谱· 腾讯

GraphRAG适用场景 vs 传统RAG 有哪些?

匹配正文：…物通过哪些靶点影响某疾病"，需跨文档追踪因果链关系密集型查询组织架构、供应链、社交网络等强关联场景可解释性要求高金融风控、医疗诊断需展示推理路径全局聚合分析如"总结某领域所有公司的合作关系"，需图遍历而非片段拼接动态演化知识时序关系、版本变更等需显式建模三大核心优势多跳推理能力向量RAG受限于上下文窗口，GraphRAG通过图遍历自然支持3-5跳推理，如"公司A→投资方B→被投公司C→产品D"。关系可解释性返回结果附带显式关系路径（如[药物X]-抑制-[…

#腾讯#知识图谱#GraphRAG vs RAG

面试题·多模态· 快手

多模态 RAG 与传统 RAG 差异在哪?

匹配正文：…等原生支持图像输入，检索阶段返回图像+文本混合上下文应用场景：电商客服：用户上传商品瑕疵图 → 检索相似案例图+解决方案文本医疗诊断：CT影像 + 病历文本联合检索，辅助报告生成工业质检：视频流关键帧检索，定位故障历史记录学习建议建议先掌握传统RAG和多模态基础概念，再结合论文与开源项目理解跨模态对齐、联合表示等关键技术，注重实际案例分析。

#快手#多模态#多模态 RAG

面试题·多模态· 淘天

多模态 RAG 架构设计

匹配正文：…晚期融合：分别检索后加权融合 4. 适用场景文档智能：发票、合同、研报（ColPali优势）电商搜索：商品图+详情页联合检索医疗影像：影像+报告跨模态查询 5. 选型建议场景推荐方案追求效果上限端到端多模态Embedding 快速落地伪多模态+CLIP+重排序成本敏感视觉Caption+文本RAG 学习建议掌握多模态嵌入与对齐技术，理解RAG中模态融合机制，对比单流与多流架构差异。

#淘天#多模态#多模态 RAG 架构设计

面试题·多模态· 淘天

多模态 RAG 实现方案

匹配正文：…入典型应用场景电商商品问答：用户上传商品图+提问，检索详情页图文信息研报/财报分析：解析PDF中的图表、表格、文字联合问答医疗影像辅助：CT影像+病历文本联合检索关键挑战（一句话）模态对齐质量决定检索精度，延迟成本随模态数倍增，ColPali类方案正在改变"先解析再嵌入"的传统范式。学习建议掌握多模态RAG需熟悉主流框架如LangChain、LlamaIndex，理解其与视觉语言模型的集成方式。

#淘天#多模态#多模态 RAG 实现方案

面试题·多模态· 阿里

Multi-modal RAG 是什么?

匹配正文：…跨模态语义对齐、多模态索引构建、模态融合策略）核心组件（多模态编码器、跨模态检索器、多模态生成器）典型应用场景（电商图文搜索、医疗影像诊断、工业质检、多模态客服）什么是多模态RAG 传统RAG只检索文本知识，多模态RAG将检索范围扩展到图像、视频、音频、表格等多模态数据，实现"以文搜图、以图搜文、跨模态联合推理"的增强生成。核心挑战 vs 文本RAG 维度传统文本RAG 多模态RAG 表征空间单一文本Embedding空间需对齐文本、图像、视频等多个异构空间检…

#阿里#多模态#Multi-modal RAG

面试题·Prompt· 华为

Few-shot 提示怎么用?

匹配正文：…模板生成、代码注释风格推理步骤隐含数学解题、逻辑推理、多跳问答任务边界模糊情感细粒度分类、实体关系判断标准领域术语特殊医疗/法律/金融等专业领域的表述习惯作用机制：上下文学习（ICL）模型通过注意力机制动态地从示例中提取模式，而非记忆参数更新：位置敏感：示例排列顺序影响注意力权重分布模式匹配：识别输入→输出的映射规律，泛化到新样本隐式推理：示例中的中间步骤可激活模型的CoT能力关键：模型不是"学习"示例，而是**"定位"到预训练中的相关知识**并激活。…

#华为#Few-shot 提示#Prompt 工程

面试题·Prompt· 华为

思维链(CoT)什么时候用?

匹配正文：…过程，而非直接给答案 2. 多跳推理任务阅读理解中需要整合多个文档信息因果链分析、事件时序推理 3. 需要可解释性的决策场景医疗诊断、法律分析、风险评估用户需要理解"为什么"而不仅是"是什么" 4. Agent规划与工具调用任务分解为子步骤，每步决定调用哪个工具错误时可回溯到具体步骤定位问题作用机制与示例核心机制：将隐式推理显式化，通过"思考→行动→观察"的循环，利用自回归特性逐步生成中间状态。示例对比（数学应用题）：方式输入输出标准Prompt "…

#华为#思维链 CoT#Chain-of-Thought 使用场景